BERTopic — Neuraal onderwerp modelleren
BERTopic is een pijplijn voor neuraal onderwerp modelleren, geïntroduceerd door Maarten Grootendorst in 2022. Het combineert BERT-gebaseerde contextuele embeddings met UMAP-dimensionaliteitsreductie en HDBSCAN-clustering om coherente, dynamische onderwerpen te produceren, en bereikt een hogere onderwerpcoherantie dan klassieke onderwerpmodellen.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- Grootendorst, M. (2022). BERTopic: Neural topic modeling with a class-based TF-IDF procedure. arXiv:2203.05794. DOI: 10.48550/arXiv.2203.05794 ↗
- McInnes, L., Healy, J. & Astels, S. (2017). hdbscan: Hierarchical density based clustering. Journal of Open Source Software, 2(11), 205. DOI: 10.21105/joss.00205 ↗
Deze pagina citeren
ScholarGate. (2026, June 1). BERTopic — Neural Topic Modeling. ScholarGate. https://scholargate.app/nl/text-mining/topic-modeling-bertopic
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- BERT-inbeddingenText mining↔ compare
- DocumentclusteringText mining↔ compare
- SentimentanalyseText mining↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →